【技術實現步驟摘要】
本申請涉及人工智能，特別是涉及一種傳感設備標定方法、裝置和計算機設備，可應用于智能車輛。
技術介紹
1、為了保證車輛自動駕駛的可靠性，需要對車輛內的各傳感器之間進行標定（例如，激光雷達與相機），以使各傳感器獲取到的環境數據之間能夠更加匹配。
2、現有的傳感設備標定方法，一般用各傳感器分別對預先配置出的標定板進行數據采集，隨后，根據各傳感器的數據采集結果，對各傳感器進行標定。
3、然而，采用現有的傳感設備標定方法，通過預先配置出的標定板進行傳感器標定，無法在車輛運行過程中進行實時標定，降低了傳感設備標定的準確性。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠提高了傳感設備標定準確性的傳感設備標定方法、裝置和計算機設備。
2、第一方面，本申請提供了一種傳感設備標定方法，包括：
3、獲取目標車輛上的雷達設備采集的目標區域的目標點云數據，以及目標車輛上的圖像采集設備采集的目標區域的目標圖像數據；
4、采用融合對齊模型，根據目標點云數據和目標圖像數據，確定雷達設備和圖像采集設備之間的標定結果；
5、其中，融合對齊模型是采用訓練數據集對初始模型進行訓練得到的；訓練數據集是根據目標車輛的配置信息，對公開自動駕駛數據集進行處理得到的；公開自動駕駛數據集包含經過標定的標準點云數據和標準點云數據對應的標準圖像數據。
6、在其中一個實施例中，配置信息包括車輛尺寸信息和雷達設備的視場角信息；根據目標車輛的
7、根據車輛尺寸信息，確定平移參數；根據視場角信息，確定旋轉角度參數；根據平移參數和旋轉角度參數，對公開自動駕駛數據集進行數據增強處理，得到訓練數據集。
8、在其中一個實施例中，根據平移參數和旋轉角度參數，對公開自動駕駛數據集進行數據增強處理，得到訓練數據集，包括：
9、根據平移參數和旋轉角度參數，確定旋轉平移矩陣；將公開自動駕駛數據集中各標準數據，分別與旋轉平移矩陣相乘，得到各標準數據對應的擴展數據；將各標準數據和各標準數據對應的擴展數據作為訓練數據集。
10、在其中一個實施例中，訓練數據集包括樣本圖像數據和樣本圖像數據對應的樣本點云數據；初始模型包括初始圖像分支、初始點云分支和初始融合對齊分支，融合對齊模型通過以下方式訓練得到：
11、將樣本圖像數據輸入至初始圖像分支，得到樣本圖像數據對應的樣本圖像特征；根據樣本圖像數據和樣本圖像特征，確定圖像損失；將樣本點云數據輸入至初始點云分支，得到樣本點云數據對應的樣本點云特征；根據樣本點云數據和樣本點云特征，確定點云損失；根據樣本圖像特征和樣本點云特征，確定重投影誤差和特征匹配損失；根據圖像損失、點云損失、重投影誤差和特征匹配損失，對初始模型進行訓練，得到融合對齊模型。
12、在其中一個實施例中，根據樣本圖像特征和樣本點云特征，確定重投影誤差和特征匹配損失，包括：
13、將樣本點云特征中的各點云特征點，分別向樣本圖像特征對應的圖像平面進行投影，得到各點云特征點對應的投影點；根據樣本圖像特征中的各圖像特征點，與各點云特征點對應的投影點之間的位置誤差，確定重投影誤差；根據樣本圖像特征和樣本點云特征之間的特征差異，確定特征匹配損失。
14、在其中一個實施例中，融合對齊模型包括目標圖像分支、目標點云分支和目標融合對齊分支；采用融合對齊模型，根據目標點云數據和目標圖像數據，確定雷達設備和圖像采集設備之間的標定結果，包括：
15、基于目標圖像分支，對目標圖像數據進行特征提取，得到目標圖像特征；基于目標點云分支，對目標點云數據進行特征提取，得到目標點云特征；基于目標融合對齊分支，根據目標點云特征和目標圖像特征，確定雷達設備和圖像采集設備之間的標定結果。
16、在其中一個實施例中，目標圖像分支包括卷積神經網絡和全連接網絡；基于目標圖像分支，對目標圖像數據進行特征提取，得到目標圖像特征，包括：
17、將目標圖像數據輸入至卷積神經網絡進行編碼處理，得到編碼圖像特征；將編碼圖像特征輸入至全連接網絡進行解碼處理，得到目標圖像特征。
18、在其中一個實施例中，目標融合對齊分支包括特征融合網絡、編碼器和多層感知機；基于目標融合對齊分支，根據目標點云特征和目標圖像特征，確定雷達設備和圖像采集設備之間的標定結果，包括：
19、將目標點云特征和目標圖像特征輸入至特征融合網絡進行融合處理，得到融合環境特征；將融合環境特征和融合環境特征對應的位置編碼信息輸入至編碼器進行編碼處理，得到編碼環境特征；將編碼環境特征輸入至多層感知機進行解碼處理，得到雷達設備和圖像采集設備之間的標定結果。
20、第二方面，本申請還提供了一種傳感設備標定裝置，包括：
21、數據獲取模塊，用于獲取目標車輛上的雷達設備采集的目標區域的目標點云數據，以及目標車輛上的圖像采集設備采集的目標區域的目標圖像數據；
22、結果確定模塊，用于采用融合對齊模型，根據目標點云數據和目標圖像數據，確定雷達設備和圖像采集設備之間的標定結果；
23、其中，融合對齊模型是采用訓練數據集對初始模型進行訓練得到的；訓練數據集是根據目標車輛的配置信息，對公開自動駕駛數據集進行處理得到的；公開自動駕駛數據集包含經過標定的標準點云數據和標準點云數據對應的標準圖像數據。
24、第三方面，本申請還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現以下步驟：
25、獲取目標車輛上的雷達設備采集的目標區域的目標點云數據，以及目標車輛上的圖像采集設備采集的目標區域的目標圖像數據；
26、采用融合對齊模型，根據目標點云數據和目標圖像數據，確定雷達設備和圖像采集設備之間的標定結果；
27、其中，融合對齊模型是采用訓練數據集對初始模型進行訓練得到的；訓練數據集是根據目標車輛的配置信息，對公開自動駕駛數據集進行處理得到的；公開自動駕駛數據集包含經過標定的標準點云數據和標準點云數據對應的標準圖像數據。
28、第四方面，本申請還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現以下步驟：
29、獲取目標車輛上的雷達設備采集的目標區域的目標點云數據，以及目標車輛上的圖像采集設備采集的目標區域的目標圖像數據；
30、采用融合對齊模型，根據目標點云數據和目標圖像數據，確定雷達設備和圖像采集設備之間的標定結果；
31、其中，融合對齊模型是采用訓練數據集對初始模型進行訓練得到的；訓練數據集是根據目標車輛的配置信息，對公開自動駕駛數據集進行處理得到的；公開自動駕駛數據集包含經過標定的標準點云數據和標準點云數據對應的標準圖像數據。
32、第五方面，本申請還提供了一種計算機程序產品，包本文檔來自技高網...
【技術保護點】
1.一種傳感設備標定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述配置信息包括車輛尺寸信息和所述雷達設備的視場角信息；
3.根據權利要求2所述的方法，其特征在于，所述根據所述平移參數和所述旋轉角度參數，對公開自動駕駛數據集進行數據增強處理，得到訓練數據集，包括：
4.根據權利要求1所述的方法，其特征在于，所述訓練數據集包括樣本圖像數據和所述樣本圖像數據對應的樣本點云數據；所述初始模型包括初始圖像分支、初始點云分支和初始融合對齊分支，所述融合對齊模型通過以下方式訓練得到：
5.根據權利要求4所述的方法，其特征在于，所述根據所述樣本圖像特征和所述樣本點云特征，確定重投影誤差和特征匹配損失，包括：
6.根據權利要求1所述的方法，其特征在于，所述融合對齊模型包括目標圖像分支、目標點云分支和目標融合對齊分支；
7.根據權利要求6所述的方法，其特征在于，所述目標圖像分支包括卷積神經網絡和全連接網絡；
8.根據權利要求6所述的方法，其特征在于，所述目標融合對齊分支包括特征融合網
9.一種傳感設備標定裝置，其特征在于，所述裝置包括：
10.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種傳感設備標定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述配置信息包括車輛尺寸信息和所述雷達設備的視場角信息；
3.根據權利要求2所述的方法，其特征在于，所述根據所述平移參數和所述旋轉角度參數，對公開自動駕駛數據集進行數據增強處理，得到訓練數據集，包括：
4.根據權利要求1所述的方法，其特征在于，所述訓練數據集包括樣本圖像數據和所述樣本圖像數據對應的樣本點云數據；所述初始模型包括初始圖像分支、初始點云分支和初始融合對齊分支，所述融合對齊模型通過以下方式訓練得到：
5.根據權利要求4所述的方法，其特征在于，所述根據所述樣本圖像特征和所...
【專利技術屬性】
技術研發人員：明鈺博，張操，蘇星溢，
申請(專利權)人：重慶賽力斯鳳凰智創科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。